《使用bp神经网络实现红酒分类讲解》由会员分享，可在线阅读，更多相关《使用bp神经网络实现红酒分类讲解（14页珍藏版）》请在金锄头文库上搜索。
1、 使用BP神经网络实现红酒分类 第8组： 问题提出 葡萄酒化学成分复杂 葡萄酒的质量是各种化学成分的综合反映 通常检测的方法有 感官评定和常规的理化指标检测 感官评定虽然在生产中也有较多的应用 但是评测周期长 影响因素多 主观性强 重复性差 且无法快速检测 使用BP神经网络 对标准化且具有一致评判 标准的数据进行训练 将来分类时仅仅使用理化 指标进行评估 不带有人为主观因素 l数据源来自UCI数据库中的wine数据包,该数据 包含意大利在不同地点所生产的三种葡萄酒的 资料,特性如下:样本共178个,特征共13个,都是由 化学分析所得到的数值,没有未知量 l数据首先进行归一化处理 数据处理 l
2、葡萄酒检测的不同理化指标会在一定程度上影 响葡萄酒的分类。使用SPSS软件初步分析理化 指标和分类之间的关系。 l 十三个特征，建立十三个输入 神经元。 l 葡萄酒分成三类，建立三个输 出神经元；对输出进行编码， 第一类编码为100，第二类010 ，第三类001. l 由于一层隐藏层足以拟合各种 分类面，我们将其设计为一层 。 l 隐藏层内部节点个数，按照（ 3*输入层个数）设计。 建立BP神经网络模型 样本被分到第二类的模拟结构图 l输入，输出结点和 结点间权值，结点阈值 使用数组实现。 l样本数据和测试数 据使用Study_DataN与 Test_DataTestN 结构 体数组实现。 l
3、权值阈值使用(-1,1) 间的随机数产生。 l激活函数使用 Sigmoid函数： l Err_mN存储每个样本的均方 误差，当所有样本的均方误差 和小于0.01时，停止训练。 l Study变量统计迭代次数，当迭 代次数到达10000次，停止训 练。 l 每个样本采用梯度下降法修正 权值。 l 学习因子决定着权值更新幅度 。我们经过反复试验，将学习 因子设定为0.8。 l 我们采用的优化方法是加入动 量项。取值在(0,1)之间，代表 是否侧重前一代权值改变。本 程序将动量因子设定为0.9。 l 将178个样本，分为118个样 本进行训练，60个样本进行 测试。60个测试样本分别有 20个来自3个类别葡萄酒。 l 现场运行程序，观察分类错 误率。 程序运行与结果说明 由于样本有 13维，我们 可以采用维 规约技术进 行优化数据 样本 程序还可以进行的改进 我们还可以运 用局部学习率 自适应调整， 使得学习率最 优化。 设计一个局部学习率自 适应调整函数。 对网络中的每个权值使 用独自的学习率，以便 为每个权值找到最优学 习率。 第8组
